用于 fMRI 分析的层次化时空状态空间建模

基于摘要分析。本文研究如何从 fMRI 衍生的动态功能网络连接（dFNC）中发现神经学相关生物标志物，提出基于 Mamba 的 functional spatiotemporal Mamba（FST-Mamba），用于脑相关分类与回归任务。其主要贡献是将状态空间序列建模与功能连接矩阵的层次结构及对称性相结合；这属于 fMRI 分析方法，并非已验证的 BCI 解码方法。 核心机制：模型采用层次化时空结构，通过基于 Mamba 的编码器分别处理空间与时间信息。component-wise varied-scale aggregation（CVA）利用功能网络连接（FNC）矩阵的拓扑特点，聚合脑网络内各组件的连接，以捕获组件级与网络级信息；symmetric rotary position encoding（SymRope）在考虑 FNC 矩阵对称性的同时，编码各功能连接的相对位置。摘要将 Mamba 的线性复杂度作为方法背景，但本文具体计算成本、损失函数、训练设置及推理效率尚未验证。 作者报告，FST-Mamba 在多种脑相关分类与回归任务上取得显著改进，并展示了对预测重要的脑连接及其动态变化。摘要未给出数据集、样本量、数据划分、对照基线、指标数值或显著性检验细节，因此尚不能判断增益幅度、跨数据集泛化能力或生物标志物的临床有效性。实验协议、消融及统计信息尚未验证；预测重要性也不能直接解释为因果机制。 复现方面，摘要提供了公开代码地址，但代码完整性、数据可获得性及运行条件尚未核验。平台推测（待验证）：若 EEG 任务可构建具有稳定节点定义的对称动态连接矩阵，CVA 与 SymRope 可能用于连接结构编码，而时空 Mamba 编码器可能用于连接序列建模。迁移需改造节点分组、连接估计及时间尺度；低信噪比、伪连接、跨被试通道差异与小样本可能使结构先验失效。可在固定跨被试划分下，对同一 EEG 连接输入比较基础 Mamba 与加入 CVA、SymRope 的版本，检验结构模块是否带来稳定增益。已有 EEG 相关工作尚未检索确认。